[发明专利]一种倒伏作物自动收割方法及收割机

说明书

本发明涉及一种倒伏作物自动收割方法，包括如下的步骤：S100：获取现场作物图像；S200：对所述现场作物图像进行分析，判断作物是否倒伏；S300：根据识别结果生成最优控制指令并传输给执行部件；S400：执行部件根据所述控制指令自动调整相应参数并执行收割作业；S500：重复步骤S100～S400至收割作业结束。本发明还公开了一种倒伏作物自动收割机。本发明利用深度学习技术建立的倒伏作物识别视觉模型，能够实时准确地自动识别现场的作物倒伏情况；算力要求低，在一般的终端计算设备上即可完成分析；实施简单，只需在农机外部增加摄像设备和车载计算终端构成外部模块即可，不对农机本身进行任何改变。

技术领域

本发明涉及农用机械(简称农机)的智能控制领域，具体涉及一种倒伏作物自动收割方法及实施该方法的收割机。

背景技术

智能驾驶和智能作业是智能农机的两个核心显著特征，近年来，以导航定位为核心的智能驾驶技术已经在农业机械得到应用，但智能作业相关技术尚未开展应用，就收获机械而言，如何实现倒伏作物的自动收割是智能农机必须解决的关键问题之一。

在粮食作物的生长过程中，受到自然环境例如大风/大雨、作物自身产量例如穗重、追肥/浇水等因素影响导致作物倒伏，在收割过程中需要考虑到倒伏部分较低、较湿等情况，此时需要根据倒伏情况对收割机作业参数作出相应的调整。

目前出现的智能农机一般回避倒伏作物的自动收割问题，例如有一些无人驾驶农机的处理方式是：在收割作物前，由人工事先调整好割台、拨禾轮参数，然后在无人驾驶农机整个收割过程中始终保持参数不变，因此对于倒伏作物的收割显然不够精准，从而导致整体收割质量下降。还有一些做法是：首先利用无人机在作业田地拍摄大量图片，然后利用图像分析技术、路径规划技术等建立智能农机的作业地图，而倒伏作物的区域亦标注在地图上，接下来智能农机根据地图按照规划的路径进行现场作业，对于地图上的倒伏作物区域则由后台遥控前台农机完成作业，这种方法的缺点是：整个周期很长，不能实时构建地图，其原因是：1、构建地图需要现场采集大量的图片，例如几千上万张；2、需要对这些大量的图片进行建模分析，计算量非常巨大，一般需要大算力计算机系统进行几十个小时的运算，显然无法在无人机上的终端或边缘计算设备上完成上述任务，而随着时间的发展，倒伏作物容易发生较大变化从而导致地图不够准确，因而对倒伏作物的收割质量自然很差。

基于此，特提出本发明。

发明内容

为了解决现有技术中存在的上述问题，本发明的目的之一是提供一种倒伏作物自动收割方法，能够实时准确地识别倒伏作物，进而自动精准控制割台、拨禾轮等执行部件实施精准收割，进而实现精准自动收割作业。

本发明的技术方案是，一种倒伏作物自动收割方法，包括如下的步骤：

S100：图像采集模块获取现场作物图像并将之传输到图像处理模块；

S200：图像处理模块对所述现场作物图像进行分析，判断作物是否倒伏，若是，则将识别结果传输到控制模块；若不是，则继续步骤S100，获取下一个现场作物图像；

S300：控制模块根据步骤S200中的所述识别结果生成最优控制指令并传输给执行部件；

S400：执行部件根据所述控制指令自动调整相应参数并执行收割作业；

S500：重复步骤S100～S400至收割作业结束。

进一步地，在所述步骤S200中，包括如下的分步骤：

图像预处理，对输入进来的现场作物图像进行剪裁和压缩，先剪裁出收割机前方的区域图像，再对该区域图像进行压缩；

卷积网络计算，先用残差卷积网络对预处理的图像进行计算，提取图像中的特征，接着对残差卷积网络提取到的特征进行残差上采样网络计算，逐层放大特征图，同时级联卷积过程中同样大小的特征图来保留更多的信息；再进行卷积神经网络计算得到特征图；